Voitot:
- Kyky tulkita mittareita, kuten tulosprosenttia, korin keskiarvoa, kohorttia ja asiakkaan elinkaariarvoa (LTV) tekoälyn tuella
- Kyky tuottaa näkemyksiä ja kysyntäennusteita myyntitiedoista ja syöttää varasto- ja kampanjapäätöksiin
- Kyky tunnistaa riski sekoittaa korrelaatio syy-yhteyteen ja tehdä väärennettyjä lukuja ja todentaa jokainen analyysi omalla tietolähteellä
Verkkokaupassa dataa on kaikkialla: kuinka monta ihmistä tuli, kuinka moni osti, kuinka paljon laittoi ostoskoriin, mistä kanavasta se tuli, palasivatko he toisen kerran. Näihin tietoihin on piilotettu päätökset, jotka kasvattavat liiketoimintaasi. Mutta raakadata ei yksin anna ohjeita, se on tulkittava. Tekoäly (AI) on tehokas apu tietojen nopeaan yhteenvetoon ja tulkitsemiseen, kuvioiden ja poikkeavuuksien löytämiseen, raporttien laatimiseen ja kysynnän ennusteskenaarioiden luomiseen. Mutta tekoälyssä on kaksi suurta sudenkuoppaa analytiikassa: numeroiden murskaus (mittareiden tuottaminen ilman pääsyä tietoihisi) ja korrelaation sekoittaminen syy-yhteyteen (ajattelu, että kaksi asiaa liikkuvat yhdessä ovat "yksi syy toiselle"). Tässä osiossa opimme sekä oikeat mittarit että tekoälyn turvallisen käytön.
Määritellään perusmittarit. Tulosprosentti: kuinka suuri prosenttiosuus kävijöistä ostaa. Keskimääräinen ostoskori (AOV): tilausten keskimääräinen määrä. Kohorttianalyysi: seuraa ensimmäisen kerran samana ajanjaksona ostoksia tehneen asiakasryhmän (kohortti) käyttäytymistä ajan kuluessa. Asiakkaan elinkaariarvo (LTV): arvio kokonaisvoitosta, jonka asiakas jättää suhteen aikana. Hylkääminen (churn): kun asiakas lopettaa ostokset. Yhdessä nämä mittarit vastaavat kysymykseen "paljonko tienaan ja missä kasvan?"
Mikä mittari kertoo mitä?
Jokainen mittari vastaa kysymykseen; Väärän mittarin katsominen johtaa väärään päätökseen.
metristä
Kysymys
Jos se nousee
Huomio
Muuntoprosentti
Muuttuuko liikenne myyntiin?
hyvä
Lue liikenteen laadulla
Keskimääräinen kori (AOV)
Mitä ansaitsen tilauksesta?
hyvä
Ristiinmyynti/niputusvaikutus
Kohortin toistumisprosentti
Onko asiakas palaamassa?
On uskollisuutta
Vaihtelee kanavakohtaisesti
LTV
Minkä arvoinen asiakas on pitkällä aikavälillä?
hyvä
Se on arvio, ei varmaa.
hylkääminen (vaihtuminen)
Menetänkö asiakkaita?
huono
Miksi sitä pitäisi tutkia?
Palautusprosentti
Vastaako tuote odotuksia?
huono
Normaali taso vaihtelee luokittain
Tärkeä periaate: yksi mittari on harhaanjohtava. Jos tulokset lisääntyivät, mutta myös tuotto lisääntyi, harhaanjohtava sisältö saattaa kasvattaa myyntiä ja saada tuottoa. Lukekaa mittareita yhdessä.
Analyysi tekoälyllä: numeroiden murskausloukku
Tekoälyn vaarallisin virhe on, että se tuottaa varman luvun, kuten "konversioprosenttisi on 4,2 prosenttia" katsomatta koskaan tietojasi (hallusinaatio). Tämä numero on täysin keksitty. Sääntö on selvä: mittarit tulevat vain omasta analytiikkalähteestäsi – Google Analyticsista, markkinapaikan hallintapaneelista, sähköisen kaupankäynnin infrastruktuurisi raporteista. Käytä tekoälyä näiden tietojen tulkitsemiseen: annat sen sille (anonyymisti) ja se tekee niistä yhteenvedon, löytää kuvioita, laatii raportin. Ei tietojen muistamiseen.
Varoitus: Vaikka tekoäly puhuu metriikkaa hyvin sujuvasti ja tarkasti, kysy, mistä numero tulee. "Mistä tiedoista lasket tämän luvun?" Jos et antanut sitä, hän keksi sen. Jokainen raporttiin menevä numero on vahvistettava omasta kojelautastasi.
Korrelaatio ja syy-yhteys
Toinen suuri ansa on syy-yhteyden harha. Tiedoissa tekoäly voi sanoa, että "mainontakulut kasvoivat, myös myynti kasvoi, mikä tarkoittaa, että mainonta lisäsi myyntiä". Tämä on korrelaatio (yhdessä toimiminen); mutta syy-yhteyttä ei välttämättä ole. Ehkä on kolmas tekijä, joka lisää molempia: esimerkiksi lomakausi lisää sekä mainontaa että myyntiä. Korrelaation erehtyminen syy-yhteyteen saa sinut tuhlaamaan rahaa johonkin, joka ei toimi. Tapa ymmärtää syy-seuraus on kontrolloitu testaus: A/B-testaus (kaksi ryhmää samanaikaisesti ja eron mittaaminen) tai ainakin ennen-jälkeen-vertailun puhdistaminen muista tekijöistä. Anna tekoälyn luoda hypoteeseja; Todista syy-yhteys testaamalla.
Kysynnän ennuste
Tekoäly voi luoda kysynnän ennusteskenaarioita historiallisista myyntitiedoistasi: "tässä kuussa viime vuonna myit niin paljon, trendi on tähän suuntaan, lomavaikutus on tämä" jne. Tämä on arvokas tieto varasto- ja ostopäätöksissä; Se auttaa löytämään tasapainon ennenaikaisen ehtymisen (menetyt myynnit) ja ylimääräisen varaston (sidottu pääoma, romahdus) välillä. Mutta ennuste on ennuste: odottamaton kampanja, toimitusongelma tai muotimuutos häiritsee kuvaa. Käytä arviota "skenaarion vaihteluvälinä", ei "kova lukuna", ja yhdistä se omaan liiketoimintatietoihisi.
Neljä kopioitavaa mallia
1) Metrinen yhteenveto ja kommentit:
Roolisi: verkkokaupan analyytikkoassistentti.Alla on todellisia tietoja omasta hallintapaneelistani (anonyymi): tulosprosentti, kävijä, tilaus, AOV, palautusprosentti, jakso.Tiedot: [taulukko].Tehtävä: tulkitse nämä tiedot yhdessä; lippujen epätavalliset liikkeet; kirjoita mahdolliset syyt HYPOTEESiksi (älä sano varmaa syytä). Sääntö: älä tuota numeroa, jota ei ole annettu; merkitse puuttuvat tiedot [DATA MISSING].
2) Korrelaatio/syy-seuraus:
Harkitse seuraavaa väitettä: "[mittari A] kasvoi, samoin [mittari B], joten A aiheutti B."Konteksti: [kausi, kampanja, ulkoiset tekijät]. Tehtävä: keskustele onko tämä korrelaatio vai syy-yhteys; luettele yleiset tekijät, jotka ovat saattaneet lisätä molempia; Selitä, kuinka A/B-testi määritetään syy-yhteyden osoittamiseksi.
3) Kohortti-/segmenttianalyysi:
Alla on anonyymit kohorttitiedot (ensimmäinen ostokuukausi, toistuvien ostojen määrät).Tiedot: [taulukko]. Tehtävä: tulkitse kumpi kohortti on uskollisempi, kuinka toistojen määrä muuttuu ajan myötä; Merkitse, millä segmentillä on mahdollisuus/riski. Sääntö: käytä vain annettuja numeroita.
4) Kysyntäennusteen skenaario:
Historiallinen myynti: [kuukausitiedot]. Tunnetut tekijät: [festivaali, kampanja, kausi]. Tehtävä: luoda alhaisen/keskimääräisen/suuren kysynnän skenaario seuraavalle [jaksolle]; kirjoita muistiin kunkin skenaarion oletus. Sääntö: sano, että se on arvaus; Älä anna tarkkaa lukua, anna väli.
kolme minilaukkua
Tapaus 1 – Yhdessä lukeminen. Yksi kauppa oli iloinen nähdessään konversioprosentin nousevan; Mutta kun hän tulkitsi tekoälyä ja mittareita yhdessä, hän huomasi, että myös palautusprosentti nousi pilviin. Miksi: tuotekuvauksia liioiteltiin kampanjassa; Asiakkaat ostavat sen, mutta palauttavat sen, kun heidän odotuksensa eivät täyty. Yhden mittarin katsomisen ilo muuttui ongelmaksi, kun luimme sen yhdessä ja se korjattiin.
Tapaus 2 – Väärennetyt tiedot. Johtaja kysyi tekoälyltä "mikä oli konversiomme viime kuussa"; AI sanoi "3,5 prosenttia". Johtaja käytti tätä tavoitteena joukkueen kokouksessa. Todellinen korko oli 1,9 prosenttia. Väärä perusta synnytti väärän tavoitteen. Oppitunti: mittarit tulevat vain kojelaudalta.
Tapaus 3 – syy-yhteyden virhe. Yksi kauppa kaksinkertaisti sähköpostien lähetystiheyden sanomalla, että "myynti lisääntyi sinä päivänä, kun lähetimme sähköpostit, joten sähköpostit lisäävät myyntiä." Mutta ne päivät olivat myös alennuspäiviä; Päätekijä oli alennus. Usein tulevat sähköpostit ärsyttivät asiakkaita ja lisäsivät tilausten peruutuksia. A/B-testi näyttäisi oikean kuljettajan.
Heikko kehote / Vahva kehote
Heikko kehote:
Analysoi myymäläni suorituskykyä ja kerro tulosprosenttini.
Koska tietoja ei anneta, tekoäly muodostaa muuntokurssin; Analyysi perustuu alusta alkaen väärin.
Tehokas kehotus:
Tehtäväsi: verkkokaupan analyytikko. Alla on tiedot, jotka sain omasta Analytics-hallintapaneelistani (anonyymi): Kävijöitä 42 000, tilauksia 780, AOV 640 TL, palautusprosentti 9%, ajanjakso: kesäkuu. Tehtävä: LASKETA tulosprosentti näistä tiedoista (näytä tili), tulkitse mittarit yhdessä, merkitse epätavalliset kohdat hypoteesiksi. Luodaan numeroita, joita ei anneta.
Yleisiä virheitä
- Tekoälyn saaminen kysymään mittareita. Mittareiden pyytäminen antamatta omia tietojasi johtaa vääriin lukuihin.
- Tarkastellaan yhtä mittaria. Jos konversiot lisääntyivät, mutta myös tuotto kasvoi, taulukko on harhaanjohtava.
- Virheellinen korrelaatio syy-yhteydelle. "Syyn" väittäminen ilman testausta johtaa vääriin sijoituksiin.
- Oletetaan, että arvio on tarkka luku. Kysyntäarvio on vaihteluväli, ei takuu.
- Tietojen jakaminen ilman anonymisointia. Vaikka asiakasdata menee analyysiin, henkilökohtainen tila on poistettava.
- Tiliä ei tarkisteta. Tarkista manuaalisesti jokainen tekoälyn tekemä laskelma.
Yhteenvetona
Verkkokaupan analytiikka on tieteenala, joka muuttaa raakatiedon päätöksiksi. Lue yhdessä mittareita, kuten tulos, AOV, kohortti, elinkaariarvo ja tuotto. Yksi mittari on harhaanjohtava. Tekoäly on tehokas tietojen yhteenvedossa, kuvioiden löytämisessä ja raporttien laatimisessa; mutta välttääksesi joutumasta metrisen sovituksen ansoihin ja sekoittamasta korrelaatiota syy-yhteyden kanssa, tarkista jokainen luku omasta lähteestäsi ja testaa jokainen "syy"-väite kontrolloidulla testauksella. Käytä kysyntäennustetta skenaarioalueena, ei tarkkana numerona. Anonymisoi henkilökohtaiset kentät, kun lähetät tietoja analysoitavaksi.
Sovellustehtävä
Poimi nimettömästi todellisen ajanjakson tiedot (vierailijat, tilaukset, AOV, palautusprosentti) omasta analytiikkamittaristasi. Pyydä tekoälyn kommentteja "mittarien yhteenveto ja kommentti" -mallilla; Anna sen laskea muuntokurssi itse, mutta voit tarkistaa sen manuaalisesti. Mieti sitten yritystäsi koskevaa väitettä "A kasvanut, B lisääntynyt", testaa sitä "Korrelaatio/syy-seuraus" -mallilla ja suunnittele A/B-testi. Luo lopuksi kysyntäennusteen skenaario ja vertaa sitä omaan liiketoimintatietoihisi.
tarkistuslista
- [ ] Hain kaikki mittarit omasta analytiikkalähteestäni; En päässyt tekoälyyn.
- [ ] Tarkastin manuaalisesti jokaisen tekoälyn tekemän laskelman.
- [ ] Tulkinsin mittareita yhdessä, en erikseen.
- [ ] Testasin "syy-yhteyttä" koskevia väitteitä korrelaation/syy-yhteyden suhteen.
- [ ] Käsittelin kysyntäennustetta skenaarioalueena, en tarkkaa lukua.
- [ ] Anonymisoin henkilökohtaiset kentät analysoiduissa tiedoissa.